状態遷移の確率
強化学習の環境で、同じ状態で同じ行動をとっても、次の状態が毎回同じとは限らない場合の説明として、最も適切なものを1つ選べ。
- A
そのような環境は強化学習では扱えない
- B
必ず1回目の結果だけを使って学習する
- C
状態遷移が確率的であり、期待される報酬の合計（期待収益）を最大にするように方策を学ぶ
- D
行動を選ぶことができなくなる
正解と解説を見る
正解：C
マルコフ決定過程では、状態の遷移が確率的で、方策は期待収益を最大にするように学習する。
| 用語 | 内容 |
|---|---|
| 方策 | 状態から、行動を選ぶ規則（確率で表すこともある） |
| 状態遷移の確率 | 状態sで行動aをとったとき、次の状態s′になる確率（マルコフ決定過程の要素） |
- A
誤り。マルコフ決定過程は、確率的な遷移を扱う。
- B
誤り。多数の試行の期待値を使う。
- C
正しい。確率的な環境では、1回ごとの結果ではなく期待値で考える。
- D
誤り。行動は選べる。
このサイトの問題は、各試験の公開されているシラバスに沿って作ったオリジナルの模擬問題です。本試験の問題ではありません。日本ディープラーニング協会（JDLA）・一般社団法人生成AI活用普及協会（GUGA）の公式サービスではありません。